Topological Causal Effects
拓扑因果效应AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确通过潜在结局定义处理效应，并研究双重稳健估计与因果零效应检验。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
拓扑因果效应
- 研究问题
- 当潜在结局位于复杂非欧几里得空间时，如何通过拓扑结构差异定义处理效应，并进行估计和无拓扑效应的统计检验？
- 方法与思路
- 作者利用持久图的幂加权轮廓函数概括潜在结局拓扑，在完全非参数模型中构造有效、双重稳健估计量并建立函数弱收敛。
- 材料陈述的贡献
- 摘要称该框架将处理效应扩展至结局的拓扑结构，提供相应估计和正式零效应检验，并用经验研究展示复杂结局中的应用。
- 阅读关注点
- 应核对拓扑效应的定义、因果识别条件、双重稳健性涉及的模型，以及函数弱收敛如何支持检验和不同拓扑表示之间的解释。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明识别和收敛的具体条件，也不足以判断摘要表示遗漏了哪些结局差异。
原文摘要
Estimating causal effects is particularly challenging when outcomes arise in complex, non-Euclidean spaces, where conventional methods often fail to capture meaningful structural variation. We develop a framework for topological causal inference that defines treatment effects through differences in the topological structure of potential outcomes, summarized by power-weighted silhouette functions of persistence diagrams. We develop an efficient, doubly robust estimator in a fully nonparametric model, establish functional weak convergence, and construct a formal test of the null hypothesis of no topological effect. Empirical studies illustrate that the proposed method reliably quantifies topological treatment effects across diverse complex outcome types.